angličtina

1. Úvod do problematiky klasifikace. Hodnocení klasifikátorů, chyba klasifikace, testování klasifikátorů.
2. Hodnocení příznaků, výběr a redukce příznaků pomocí základních a pokročilých metod (PCA, mRMR, t-SNE).
3. Lineární klasifikátory – základní principy a metody (perceptron, MSE, SVM).
4. "Kernel" přístup pro nelineární klasifikaci/regresi.
5. Bayesovský přístup ke klasifikaci. Klasikátor typu Naive Bayes.
6. Metody “Maximum likelihood” a “Maximum a-posteriori probability”.
7. Rozhodovací a regresní stromy a lesy, náhodné lesy.
8. Metody pro zlepšování vlastností klasifikátorů (bagging, boosting).
9. Základní principy umělých neuronových sítí, regularizační techniky.
10. Principy hlubokého učení, hluboké neuronové sítě (NS) a základní stavební bloky.
11. Principy učení hlubokých NS.
12. Varianty hlubokých NS, autoenkodéry, rekurentní NS, LSTM, GRU, GAN.
13. Aplikace klasifikačních úloh pro zpracování signálů, obrazů a bioinformatických dat. Příklady aplikací a frameworků.

Ch. M. Bishop: Pattern Recognition and Machine Learning, Springer, 2011
I. Goodfellow, Y. Bengio, A. Courville, F. Bach: Deep Learning, The MIT Press, 2016
N. Buduma: Fundamentals of Deep Learning, O'Reilly Media, 2017 (CS)